Вероятностная нейронная сеть - страница 2

[Artem Titarenko]

Вот ещё вырезка из учебника.

[Andrey Dik]

StatBars >>:

Да не только в учителе дело. Принцип другой. МЛП чертит линии(гиперплоскости), а вероятностная окружности(гипершары).

Взять простой пример:

Линейный перцептрон просто линией разделил и всё, линия у него бесконечна.

А значение потенциалов обоих классов будет практически нулевым. Разница есть?

Причем здесь линейный персептрон? MЛП, или MLP - multilayer perceptron, или рускими словами, многослойный персептрон, он разделит на классы скольугодно сложное пространство. Разница в учителе, PNN задачи классификации, MLP задачи апроксимации по большей части. Какая задача, так и обзываем сетку.

[RIP]

joo >>:

Причем здесь линейный персептрон? MЛП, или MLP - multilayer perceptron, или рускими словами, многослойный персептрон, он разделит на классы скольугодно сложное пространство. Разница в учителе, PNN задачи классификации, MLP задачи апроксимации по большей части. Какая задача, так и обзываем сетку.

Исходя из Вашей логики к какому классу вы отнесете свети свертки (convolutional neural net)? Я на легко могу использовать MLP для классификации по вероятностному признаку, но это не будет PNN сетью.

В свое время когда Беттер победил на конкурсе развернулась бурная дискуссия на предмет PNN (https://forum.mql4.com/ru/9502), рекомендую ее все же посмотреть.

В первую очередь PNN имеет архитектурные отличия, т.е. как связаны нейроны между собой, скрытый и выходной слои, не являются полносвязными.

Рекомендую найти и почитать две статьи, Дональда Спехтома (Donald Specht): Probabilistic Neural Networks for Classification и Mapping or Associative Memory and Probabilistic Neural Networks.

Одна из статей посвященная PNN в атаче.

[Andrey Dik]

rip >>:

Исходя из Вашей логики к какому классу вы отнесете свети свертки (convolutional neural net)? Я на легко могу использовать MLP для классификации по вероятностному признаку, но это не будет PNN сетью.

В свое время когда Беттер победил на конкурсе развернулась бурная дискуссия на предмет PNN (https://forum.mql4.com/ru/9502), рекомендую ее все же посмотреть.

В первую очередь PNN имеет архитектурные отличия, т.е. как связаны нейроны между собой, скрытый и выходной слои, не являются полносвязными.

Рекомендую найти и почитать две статьи, Дональда Спехтома (Donald Specht): Probabilistic Neural Networks for Classification и Mapping or Associative Memory and Probabilistic Neural Networks.

Одна из статей посвященная PNN в атаче.

Ну и что конкретно Вы хотели сказать своим постом? Может то, что MLP не может решать задачи PNN? Или PNN не пригоден для задач MLP?

Если нет, то и не стоит плодить понятия, несущие одну и туже суть - нелинейное преобразование.

А может быть, Вы хотите сказать, что у них мат аппарат разный ?, В чем конкретное принципиальное отличие, проиллюстрируйте пожалуйста на конкретных примерах, не отсылая при этом в вики и к прочтению статей, книжками будем мерятся что ли?

Architecture of a PNN/GRNN Network

In 1990, Donald F. Specht proposed a method to formulate the weighted-neighbor method described above in the form of a neural network. He called this a “Probabilistic Neural Network”. Here is a diagram of a PNN/GRNN network:

All PNN/GRNN networks have four layers:

• Input layer — There is one neuron in the input layer for each predictor variable. In the case of categorical variables, N-1 neurons are used where N is the number of categories. The input neurons (or processing before the input layer) standardizes the range of the values by subtracting the median and dividing by the interquartile range. The input neurons then feed the values to each of the neurons in the hidden layer.

• Hidden layer — This layer has one neuron for each case in the training data set. The neuron stores the values of the predictor variables for the case along with the target value. When presented with the x vector of input values from the input layer, a hidden neuron computes the Euclidean distance of the test case from the neuron’s center point and then applies the RBF kernel function using the sigma value(s). The resulting value is passed to the neurons in the pattern layer.

• Pattern layer / Summation layer — The next layer in the network is different for PNN networks and for GRNN networks. For PNN networks there is one pattern neuron for each category of the target variable. The actual target category of each training case is stored with each hidden neuron; the weighted value coming out of a hidden neuron is fed only to the pattern neuron that corresponds to the hidden neuron’s category. The pattern neurons add the values for the class they represent (hence, it is a weighted vote for that category).

  For GRNN networks, there are only two neurons in the pattern layer. One neuron is the denominator summation unit the other is the numerator summation unit. The denominator summation unit adds up the weight values coming from each of the hidden neurons. The numerator summation unit adds up the weight values multiplied by the actual target value for each hidden neuron.

• Decision layer — The decision layer is different for PNN and GRNN networks. For PNN networks, the decision layer compares the weighted votes for each target category accumulated in the pattern layer and uses the largest vote to predict the target category.

  For GRNN networks, the decision layer divides the value accumulated in the numerator summation unit by the value in the denominator summation unit and uses the result as the predicted target value.

• 
  

Ну и в чем принципиальные отличия от MLP?

Каждый автор плодит понятия, цель их не продвижение науки, а заработать на книгах и статьях, так же как и "биржевые писатели"

PS У разных авторов по NN порой разнятся одни и те же понятия и определения, поэтому нет смысла ссылаться на одних из них для уточнения терминов.

PPS Важно понимание работы нейрона по нелинейному преобразованию. Всё, больше ничего не нужно.

[RIP]

joo >>:

Ну и что конкретно Вы хотели сказать своим постом? Может то, что MLP не может решать задачи PNN? Или PNN не пригоден для задач MLP?

Ну и в чем принципиальные отличия от MLP?

PS У разных авторов по NN порой разнятся одни и те же понятия и определения, поэтому нет смысла ссылаться на одних из них для уточнения терминов.

PPS Важно понимание работы нейрона по нелинейному преобразованию. Всё, больше ничего не нужно.

Первое и основное отличие это то как интерпретируются выходы сети и с помощью чего обеспечивается однозначность (относительная) этой интерпретации.

В случае с PNN, сеть разрабатывалась для классификации\кластеризации данных, следовательно имеет не полносвязую структуру, MLP - полносвязную.

Еще одним отличием является то, что PNN может используются различные ф-ции активации для различных слоев, скажем для выходного слоя использует радиально-базисная ф-ция,

а MPL традиционно использует для всех слоев одну и туже ф-цию.

PNN может решать задачи MPL, только это будет уже не PNN, а вариация на базе не полносвязной архитектуры, точно также и в обратную сторону.

Относительно нелинейного преобразования, да согласен, любая НС - это нелинейное преобразование (или линейное, однослойные персептрон тоже НС) и важно понимать как это работает,

но вы опускаете еще один факт, НС учитывает внутреннюю архитектуру связей - вы забываете, что в основу мат. аппарата все же лег биологический прототип и когнитрон, к примеру, ближе всего к его

реализации.

Автор ветки интересовался мат. аппаратом, статьи и перво источники лучше всего его раскрывают. :) А отличительные признаки я назвал вам сразу - архитектура. И здесь не стремление авторов

"оставить свой след в искусстве", все проще и сложнее - необходимо однозначное правило интерпретации выходов, при различных исходных данных (данных с различных прикладных областей).

[gumgum]

[Andrey Dik]

rip >>:

1)Первое и основное отличие это то как интерпретируются выходы сети и с помощью чего обеспечивается однозначность (относительная) этой интерпретации.

В случае с PNN, сеть разрабатывалась для классификации\кластеризации данных, следовательно имеет не полносвязую структуру, MLP - полносвязную.

2)Еще одним отличием является то, что PNN может используются различные ф-ции активации для различных слоев, скажем для выходного слоя использует радиально-базисная ф-ция,

а MPL традиционно использует для всех слоев одну и туже ф-цию.

3)PNN может решать задачи MPL, только это будет уже не PNN, а вариация на базе не полносвязной архитектуры, точно также и в обратную сторону.

4)Относительно нелинейного преобразования, да согласен, любая НС - это нелинейное преобразование (или линейное, однослойные персептрон тоже НС) и важно понимать как это работает,

но вы опускаете еще один факт, НС учитывает внутреннюю архитектуру связей - вы забываете, что в основу мат. аппарата все же лег биологический прототип и когнитрон, к примеру, ближе всего к его

реализации.

5)Автор ветки интересовался мат. аппаратом, статьи и перво источники лучше всего его раскрывают. :) А отличительные признаки я назвал вам сразу - архитектура. И здесь не стремление авторов

"оставить свой след в искусстве", все проще и сложнее - необходимо однозначное правило интерпретации выходов, при различных исходных данных (данных с различных прикладных областей).

1) Вот и я говорил, что дело в учителе.

2) Хмм, а кто запрещает использовать для каждого нейрона сети свою ф-ю активации в MLP? Вернее, коэффициент кривизны в ф-и активации, так как она (ф-я активации) у всех сетей и всех нейронов одна и та же, её форма может меняться начиная от логической ступенчатой, s-образной до прямой линейной.

,

здесь 10 - коэффициент кривизны

3) Ну вот, а раз так, то и не стоит городить огород.

4) Никак не противоречит сказанному мною

5) Вы слепо следуете книжным авторитетам, и не проводите исследований самостоятельно? Зря. Здесь неограниченное поле для полета фантазии, и, если следовать, часто противоречащим друг другу, книжным понятиям, есть большая вероятность упустить из виду очень важные.... хм, в общем многое теряете.

В общем, как хотите так и называйте, суть нелинейного преобразования нейрона от этого не изменится.

Удачи!.

[Andrey Dik]

joo писал(а) >>

книжками будем мерятся что ли?

Список файлов в моей библиотеке

По сетям:

A case study on using neural networks to perform technical.pdf
Forex Patterns and Proababilities.pdf
Gorban A.N. Neuroinformatics. What are us, where are we going, how to measure our way.pdf
Haykin S. Kalman filtering and neural networks.djvu
IskusstvennyeNeironnyeSeti.TeoriyaIPraktika_cover.jpeg
Jonsson F. Markus. Поиск оптимального пути для транспортных средств на оцифрованых картах реальной местности. Часть 1.doc
Jonsson F. Markus. Поиск оптимального пути для транспортных средств на оцифрованых картах реальной местности. Часть 2.doc
Krose В. An introduction to Neural networks. 1996.djvu
Long, Parks Neural Network Modeling.djvu
Modelling and Trading EURUSD.pdf
Neural_Network_Trend_Predictor_Manual.pdf
rbfkalman.pdf
ToshibaNeuronChip.pdf
Using Recurrent Neural Networks To Forecasting of Forex.pdf
Барскии А.Б. Нейронные сети распознавание, управление, принятие решений. 2004.pdf
Беркинблит М.Б. Нейронные сети 1993.djvu
Бэстенс Д. Нейроннные сети и финансовые рынки. Принятие решений в торговых операциях.djvu
Вапник В.Н. Восстановление зависимостей по эмпирическим данным. 1997.djvu
Вороновский Г.К. Генетические алгоритмы, искусственные нейронные сети и проблемы виртуальной реальности.pdf
Галушкин А.И. Теория нейронных сетей. Кн. 1 2000.djvu
Гольдштейн Б.С. Интеллектуальные сети. 2000.djvu
Горбань А.Н. Обобщенная аппроксимационная теорема и вычисительные возможности нейронных сетей.pdf
Горбунова Е.О. Алгоритмическая универсальность кинетической машины Кирдина.pdf
Горбунова Е.О. Методы нейроинформатики. Финитность и детерминированность простых программ для кинетической машины Кирдина.pdf
Джейн Анил К. Введение в искусственные нейроные сети.pdf
Доррер М.Г. Интуитивное предсказание нейросетями взаимоотношений в группе.pdf
Доррер М.Г. Методы нейроинформатики. Аппроксимация многомерных функций полутораслойным предиктором с произвольными преобразователями.pdf
Дубрович В.И. Субботин С.А. Алгоритм ускоренного обучения персептронов.pdf
Ежов А. Шумский С. Нейрокомпьютинг и его применения в экономике и бизнесе.djvu
Жуков Л.А. Использование нейросетевых технологий для проведения учебно-исследовательских работ.pdf
Заенцев И.В. Нейронные сети основные модели. 1999.pdf
Захаров В.Н. Хорошевский В.Ф. Искусственный интеллект. Том 3. Программные и аппаратные средства 1990.djvu
Каллан Р. Основные концепции нейронных сетей.djvu
Кгур П.Г. Нейронные сети и нейрокомпьютеры.pdf
Комашинский В.И. Нейронные сети и их применение в системах управления и связи 2003.pdf
Короткий С. Нейронные сети Хопфилда и Хэмминга.pdf
Короткий С. Нейронные сети. Алгоритм обратного распространения.pdf
Короткий С. Нейронные сети. Обучение без учителя.pdf
Короткий С. Нейронные сети. Основные положения.pdf
Крисилов В.А. Кондартюк А.В. Преобразование входных данных нейросети с целью улучшения различимости.pdf
Крисилов В.А. Олешко Д.Н. Методы ускорения обучения нейронных сетей.doc
Крисилов В.А. Чумичкин К.В. Ускорение обучения нейронных сетей за счет адаптивного упрощения обучающей выборки.pdf
Крислов В.А. Представление исходных данных в задачах нейросетевого прогнозирования.pdf
Круглов В.В. Нечеткая логика и искуственные нейроные сети.djvu
Круглов, Борисов - Искусственные нейронные сети. Теория и практика, 2002.djvu
Круглов, Борисов - Искусственные нейронные сети. Теория и практика, 2002.txt
Лю Б. Теория и практика неопределенного программирования 2005.djvu
Мак-Каллок У., Питтс В. Логическое исчисление идей, относящихся к нервной активности.pdf
Маркел Дж.Д. Линейное предсказание речи. 1980.djvu
Миркес Е.М. Нейрокомпьютер. Проект стандарта. 1998.pdf
Набхан Т.Н. Зомая А. О проблемах создания нейросетевых структур для оптимизации функционирования.pdf
Напалков А. В., Прагина Л. Л. - Мозг человека и искусственный интеллект.docx
Олешко Д.Н. Повышение качества и скорости обучения нейронных сетей в задаче прогнозирования поведения временных рядов.doc
Олешко Д.Н. Повышение качества и скорости обучения нейроных сетей.doc
Островский С. Нейронные сети для обработки информации 2000.djvu
Питенко А.А. Использование нейросетевых технологий при решении аналитических задач в ГИС.pdf
Сенашова М.Ю. Погрешности нейронных сетей. Вычисление погрешностей весов синапсов. 1998.pdf
Субботин С.А. Нейрокибернетика в СССР-СНГ - Аналитических обзор изобретений и патентов.pdf
Тарасенко Р.А. Выбор размера описания ситуации при формировании обучаюей выборки для нейронных сетей в задачах прогнозирования временных рядов.doc
Тарасенко Р.А. Предварительая оценка качества обучающей выборки для нейроных сетей в адачах прогнозирования временных рядов.doc
Терехов С.А. Технологические аспекты обучения нейросетевых машин. 2006.pdf
Тюменцев Ю.В. Интеллектуальные автономные системы - вызов информационным технологиям.pdf
Уоссермен Ф. Нейрокомпьютерная техника.doc
Уоссермен Ф. Нейрокомпьютерная техника. Теория и практика.doc
Хайкин С. Нейронные сети - полный курс.djvu
Царегородцев В.Г. Производство полуэмпирических знаний из таблиц данных с помощью обучаемых искусственных нейронных сетей.pdf

По ЦОС:

Arndt J. Algorithms for programmers ideas and source code.pdf
Les Thede Practical Analog and Digital Filter Design. 2004.pdf
O'Leary 2002 DSP directory.pdf
Paillard B. An Introduction To Digital Signal Processors. 2002.pdf
Rorabauch, Britton Digital Filter Designer`s Handbook. 1989.pdf
Stranneby, Dag. Digital Signal Processing DSP and Applications. 2001.pdf
Айфичер Э. Джервис Б. Цифровая обработка сигналов. Практический подход. 2004.djvu
Анохина А.М. Цифровая обработка сигналов в измерительных системах физического эксперимента. Расчет фильтров.pdf
Антонью А. Цифровые фильтры. Анализ и проектирование. 1983.djvu
Арутюнов П.А. Теория и применение алгоритмических измерений.1990.djvu
Белодедов М.В. Методы проектирования цифровых фильтров. 2004.pdf
Блейхут Р. Быстрые алгоритмы цифровой обработки сигналов. 1989.djvu
Богнер Р. Константинидис А. Введение в цифровую фильтрацию. 1976.djvu
Брейсуэлл Р. Преобразование Хартли. Теория и практика. 1990.djvu
Винокуров А. Алгоритм шифрования ГОСТ 28147-89 его использование и реализация для компьютеров платформы Intel x86.djvu
Воробьев В.И. Грибунин В.Г. Теория и практика вейвлет преобразования. 1999.djvu
Голд Б. Цифровая обработка сигналов. 1973.djvu
Гольденберг Л.М. Цифровая обработка сигналов. 1990.djvu
Гутников В.С. Фильтрация измерительных сигналов. 1990.djvu
Давыдов А.В. ЦИФРОВАЯ ОБРАБОТКА СИГНАЛОВ.docx
Давыдов А.В. ЦИФРОВАЯ ОБРАБОТКА СИГНАЛОВ.pdf
Дахнович А.А.pdf
Денисенко А.Н. Сигналы. Теоретическая радиотехника.djvu
Залманзон Л.А. Преобразования Фурье, Уолша, Хаара. Часть 1.djvu
Залманзон Л.А. Преобразования Фурье, Уолша, Хаара. Часть 2.djvu
Залманзон Л.А. Преобразования Фурье, Уолша, Хаара. Часть 3.djvu
Зверев В.А. Стромков А.А. Выделение сигналов из помех численными методами 2001.djvu
Кей С.М. Современные методы спектрального анализа.djvu
Колос М.В. Методы оптимальной цифровой фильтрации. 2000.pdf
Комаров А.В. Цифровые сигнальные процессоры. 2003.doc
Крисилов В.А. Побережник С.М. Аппроксимация сложных зависимостей структурно-гибкими полиномиальными и гармоническими рядами.pdf
Крисилов В.А. Проблемы ложной компактности в дискретном пространстве признаков в задачах таксономии.pdf
Куо Б.Теория и проектирование цифровых систем управления. 1986.djvu
Лазарев С. Быстрое преобразование Фурье для обработки сигналов в устройствах автоматизации.pdf
Лебедев А.Н. Методы цифрового моделирования. 1988.pdf
Лукин А. Введение в цифровую обработку сигналов. 2002.djvu
Нуссбаумер Г. Быстрое преобразование Фурье и алгоритмы вычисления сверток. 1985.djvu
Олссон Г. Цифровые системы автоматизации и управления. Часть 1. 2001.djvu
Олссон Г. Цифровые системы автоматизации и управления. Часть 2. 2001.djvu
Оппенгейм А.В. Цифровая обработка сигналов. 1979.djvu
Остапенко А.Г. Рекурсивные фильтры на микропроцессорах. 1988.djvu
Рабинер Л. Гоулд Б. Теория и применение цифровой обработки сигналов. 1978.djvu
Рабинер Л.Р. Шафер Р.В. Цифровая обработка речевых сигналов. 1981.pdf
Радиотехника №03 2000_00.djvu
Рекомендации ITU G721rus.djvu
Рекомендации ITU G726 и G727 Сравнение алгоритмов АДИКМ.djvu
Рекомендации ITU G726 Приложение A.djvu
Рекомендации ITU G727.djvu
Рекомендации ITU G727 Приложение А.djvu
Робинсон Э.А. История развития теории спектрального оценивания. 1982.djvu
Россиев А.А. Моделирование данных при помощи кривых для восстановления пробелов в таблицах.pdf
Сато Ю. Обработка сигналов.djvu
Сергиенко А.Б. Цифровая обработка сигналов. 2003.djvu
Сиберт У.М. Цепи, сигналы, системы. Часть 1. 1988.djvu
Сиберт У.М. Цепи, сигналы, системы. Часть 2. 1988.djvu
Сизиков В.С. Устойчивые методы обработки результатов измерений 1999.pdf
Синклер Ян. Введение в цифровую звукотехнику. 1990.djvu
Солонина А. Улахович Д. Алгоритмы и процессоры цифровой обработки сигналов. 2002.djvu
Солонина А.И. Основы цифровой обработки сигналов. 2005.djvu
Степанов А.В. Методы компьютерной обработки сигналов систем радиосвязи.doc
Трахтман А.М. Основы теории дискретных сигналов на конечных интервалах. 1975.djvu
Уидроу Б. Адаптивная обработка сигналов. 1989.djvu
Уолт Кестер Цифровая обработка сигналов. Analog Devices.pdf
Финк Л.М. Сигналы, помехи, ошибки. Часть 1. 1984.djvu
Финк Л.М. Сигналы, помехи, ошибки. Часть 2. 1984.djvu
Финк Л.М. Теория передачи дискретных сообщений Часть 1 1970.djvu
Финк Л.М. Теория передачи дискретных сообщений Часть 2 1970.djvu
Фланаган Д.Л. Анализ, синтез и восприятие речи. 1968.djvu
Френкс Л. Теория сигналов. 1974.djvu
Харкевич А.А. Борьба с помехами. 1965.djvu
Хемминг Р.В. Цифровые фильтры. 1980.djvu
Хуанг Т.С. Быстрые алгоритмы в цифровой обработке изображений 1984.djvu
щатилов В. Перспективы применения новых решений Analog Devaces в современных цифровых системах связи.pdf
Ярославский Л.П. Цифровая обработка сигналов в оптике и голографии.djvu

Если кому надо могу залить на общедоступный какойнибудь ftp сервер

[gumgum]

joo >>:

Список файлов в моей библиотеке

По сетям:

A case study on using neural networks to perform technical.pdf
Forex Patterns and Proababilities.pdf
Gorban A.N. Neuroinformatics. What are us, where are we going, how to measure our way.pdf
Haykin S. Kalman filtering and neural networks.djvu
IskusstvennyeNeironnyeSeti.TeoriyaIPraktika_cover.jpeg
Jonsson F. Markus. Поиск оптимального пути для транспортных средств на оцифрованых картах реальной местности. Часть 1.doc
Jonsson F. Markus. Поиск оптимального пути для транспортных средств на оцифрованых картах реальной местности. Часть 2.doc
Krose В. An introduction to Neural networks. 1996.djvu
Long, Parks Neural Network Modeling.djvu
Modelling and Trading EURUSD.pdf
Neural_Network_Trend_Predictor_Manual.pdf
rbfkalman.pdf
ToshibaNeuronChip.pdf
Using Recurrent Neural Networks To Forecasting of Forex.pdf
Барскии А.Б. Нейронные сети распознавание, управление, принятие решений. 2004.pdf
Беркинблит М.Б. Нейронные сети 1993.djvu
Бэстенс Д. Нейроннные сети и финансовые рынки. Принятие решений в торговых операциях.djvu
Вапник В.Н. Восстановление зависимостей по эмпирическим данным. 1997.djvu
Вороновский Г.К. Генетические алгоритмы, искусственные нейронные сети и проблемы виртуальной реальности.pdf
Галушкин А.И. Теория нейронных сетей. Кн. 1 2000.djvu
Гольдштейн Б.С. Интеллектуальные сети. 2000.djvu
Горбань А.Н. Обобщенная аппроксимационная теорема и вычисительные возможности нейронных сетей.pdf
Горбунова Е.О. Алгоритмическая универсальность кинетической машины Кирдина.pdf
Горбунова Е.О. Методы нейроинформатики. Финитность и детерминированность простых программ для кинетической машины Кирдина.pdf
Джейн Анил К. Введение в искусственные нейроные сети.pdf
Доррер М.Г. Интуитивное предсказание нейросетями взаимоотношений в группе.pdf
Доррер М.Г. Методы нейроинформатики. Аппроксимация многомерных функций полутораслойным предиктором с произвольными преобразователями.pdf
Дубрович В.И. Субботин С.А. Алгоритм ускоренного обучения персептронов.pdf
Ежов А. Шумский С. Нейрокомпьютинг и его применения в экономике и бизнесе.djvu
Жуков Л.А. Использование нейросетевых технологий для проведения учебно-исследовательских работ.pdf
Заенцев И.В. Нейронные сети основные модели. 1999.pdf
Захаров В.Н. Хорошевский В.Ф. Искусственный интеллект. Том 3. Программные и аппаратные средства 1990.djvu
Каллан Р. Основные концепции нейронных сетей.djvu
Кгур П.Г. Нейронные сети и нейрокомпьютеры.pdf
Комашинский В.И. Нейронные сети и их применение в системах управления и связи 2003.pdf
Короткий С. Нейронные сети Хопфилда и Хэмминга.pdf
Короткий С. Нейронные сети. Алгоритм обратного распространения.pdf
Короткий С. Нейронные сети. Обучение без учителя.pdf
Короткий С. Нейронные сети. Основные положения.pdf
Крисилов В.А. Кондартюк А.В. Преобразование входных данных нейросети с целью улучшения различимости.pdf
Крисилов В.А. Олешко Д.Н. Методы ускорения обучения нейронных сетей.doc
Крисилов В.А. Чумичкин К.В. Ускорение обучения нейронных сетей за счет адаптивного упрощения обучающей выборки.pdf
Крислов В.А. Представление исходных данных в задачах нейросетевого прогнозирования.pdf
Круглов В.В. Нечеткая логика и искуственные нейроные сети.djvu
Круглов, Борисов - Искусственные нейронные сети. Теория и практика, 2002.djvu
Круглов, Борисов - Искусственные нейронные сети. Теория и практика, 2002.txt
Лю Б. Теория и практика неопределенного программирования 2005.djvu
Мак-Каллок У., Питтс В. Логическое исчисление идей, относящихся к нервной активности.pdf
Маркел Дж.Д. Линейное предсказание речи. 1980.djvu
Миркес Е.М. Нейрокомпьютер. Проект стандарта. 1998.pdf
Набхан Т.Н. Зомая А. О проблемах создания нейросетевых структур для оптимизации функционирования.pdf
Напалков А. В., Прагина Л. Л. - Мозг человека и искусственный интеллект.docx
Олешко Д.Н. Повышение качества и скорости обучения нейронных сетей в задаче прогнозирования поведения временных рядов.doc
Олешко Д.Н. Повышение качества и скорости обучения нейроных сетей.doc
Островский С. Нейронные сети для обработки информации 2000.djvu
Питенко А.А. Использование нейросетевых технологий при решении аналитических задач в ГИС.pdf
Сенашова М.Ю. Погрешности нейронных сетей. Вычисление погрешностей весов синапсов. 1998.pdf
Субботин С.А. Нейрокибернетика в СССР-СНГ - Аналитических обзор изобретений и патентов.pdf
Тарасенко Р.А. Выбор размера описания ситуации при формировании обучаюей выборки для нейронных сетей в задачах прогнозирования временных рядов.doc
Тарасенко Р.А. Предварительая оценка качества обучающей выборки для нейроных сетей в адачах прогнозирования временных рядов.doc
Терехов С.А. Технологические аспекты обучения нейросетевых машин. 2006.pdf
Тюменцев Ю.В. Интеллектуальные автономные системы - вызов информационным технологиям.pdf
Уоссермен Ф. Нейрокомпьютерная техника.doc
Уоссермен Ф. Нейрокомпьютерная техника. Теория и практика.doc
Хайкин С. Нейронные сети - полный курс.djvu
Царегородцев В.Г. Производство полуэмпирических знаний из таблиц данных с помощью обучаемых искусственных нейронных сетей.pdf

По ЦОС:

Arndt J. Algorithms for programmers ideas and source code.pdf
Les Thede Practical Analog and Digital Filter Design. 2004.pdf
O'Leary 2002 DSP directory.pdf
Paillard B. An Introduction To Digital Signal Processors. 2002.pdf
Rorabauch, Britton Digital Filter Designer`s Handbook. 1989.pdf
Stranneby, Dag. Digital Signal Processing DSP and Applications. 2001.pdf
Айфичер Э. Джервис Б. Цифровая обработка сигналов. Практический подход. 2004.djvu
Анохина А.М. Цифровая обработка сигналов в измерительных системах физического эксперимента. Расчет фильтров.pdf
Антонью А. Цифровые фильтры. Анализ и проектирование. 1983.djvu
Арутюнов П.А. Теория и применение алгоритмических измерений.1990.djvu
Белодедов М.В. Методы проектирования цифровых фильтров. 2004.pdf
Блейхут Р. Быстрые алгоритмы цифровой обработки сигналов. 1989.djvu
Богнер Р. Константинидис А. Введение в цифровую фильтрацию. 1976.djvu
Брейсуэлл Р. Преобразование Хартли. Теория и практика. 1990.djvu
Винокуров А. Алгоритм шифрования ГОСТ 28147-89 его использование и реализация для компьютеров платформы Intel x86.djvu
Воробьев В.И. Грибунин В.Г. Теория и практика вейвлет преобразования. 1999.djvu
Голд Б. Цифровая обработка сигналов. 1973.djvu
Гольденберг Л.М. Цифровая обработка сигналов. 1990.djvu
Гутников В.С. Фильтрация измерительных сигналов. 1990.djvu
Давыдов А.В. ЦИФРОВАЯ ОБРАБОТКА СИГНАЛОВ.docx
Давыдов А.В. ЦИФРОВАЯ ОБРАБОТКА СИГНАЛОВ.pdf
Дахнович А.А.pdf
Денисенко А.Н. Сигналы. Теоретическая радиотехника.djvu
Залманзон Л.А. Преобразования Фурье, Уолша, Хаара. Часть 1.djvu
Залманзон Л.А. Преобразования Фурье, Уолша, Хаара. Часть 2.djvu
Залманзон Л.А. Преобразования Фурье, Уолша, Хаара. Часть 3.djvu
Зверев В.А. Стромков А.А. Выделение сигналов из помех численными методами 2001.djvu
Кей С.М. Современные методы спектрального анализа.djvu
Колос М.В. Методы оптимальной цифровой фильтрации. 2000.pdf
Комаров А.В. Цифровые сигнальные процессоры. 2003.doc
Крисилов В.А. Побережник С.М. Аппроксимация сложных зависимостей структурно-гибкими полиномиальными и гармоническими рядами.pdf
Крисилов В.А. Проблемы ложной компактности в дискретном пространстве признаков в задачах таксономии.pdf
Куо Б.Теория и проектирование цифровых систем управления. 1986.djvu
Лазарев С. Быстрое преобразование Фурье для обработки сигналов в устройствах автоматизации.pdf
Лебедев А.Н. Методы цифрового моделирования. 1988.pdf
Лукин А. Введение в цифровую обработку сигналов. 2002.djvu
Нуссбаумер Г. Быстрое преобразование Фурье и алгоритмы вычисления сверток. 1985.djvu
Олссон Г. Цифровые системы автоматизации и управления. Часть 1. 2001.djvu
Олссон Г. Цифровые системы автоматизации и управления. Часть 2. 2001.djvu
Оппенгейм А.В. Цифровая обработка сигналов. 1979.djvu
Остапенко А.Г. Рекурсивные фильтры на микропроцессорах. 1988.djvu
Рабинер Л. Гоулд Б. Теория и применение цифровой обработки сигналов. 1978.djvu
Рабинер Л.Р. Шафер Р.В. Цифровая обработка речевых сигналов. 1981.pdf
Радиотехника №03 2000_00.djvu
Рекомендации ITU G721rus.djvu
Рекомендации ITU G726 и G727 Сравнение алгоритмов АДИКМ.djvu
Рекомендации ITU G726 Приложение A.djvu
Рекомендации ITU G727.djvu
Рекомендации ITU G727 Приложение А.djvu
Робинсон Э.А. История развития теории спектрального оценивания. 1982.djvu
Россиев А.А. Моделирование данных при помощи кривых для восстановления пробелов в таблицах.pdf
Сато Ю. Обработка сигналов.djvu
Сергиенко А.Б. Цифровая обработка сигналов. 2003.djvu
Сиберт У.М. Цепи, сигналы, системы. Часть 1. 1988.djvu
Сиберт У.М. Цепи, сигналы, системы. Часть 2. 1988.djvu
Сизиков В.С. Устойчивые методы обработки результатов измерений 1999.pdf
Синклер Ян. Введение в цифровую звукотехнику. 1990.djvu
Солонина А. Улахович Д. Алгоритмы и процессоры цифровой обработки сигналов. 2002.djvu
Солонина А.И. Основы цифровой обработки сигналов. 2005.djvu
Степанов А.В. Методы компьютерной обработки сигналов систем радиосвязи.doc
Трахтман А.М. Основы теории дискретных сигналов на конечных интервалах. 1975.djvu
Уидроу Б. Адаптивная обработка сигналов. 1989.djvu
Уолт Кестер Цифровая обработка сигналов. Analog Devices.pdf
Финк Л.М. Сигналы, помехи, ошибки. Часть 1. 1984.djvu
Финк Л.М. Сигналы, помехи, ошибки. Часть 2. 1984.djvu
Финк Л.М. Теория передачи дискретных сообщений Часть 1 1970.djvu
Финк Л.М. Теория передачи дискретных сообщений Часть 2 1970.djvu
Фланаган Д.Л. Анализ, синтез и восприятие речи. 1968.djvu
Френкс Л. Теория сигналов. 1974.djvu
Харкевич А.А. Борьба с помехами. 1965.djvu
Хемминг Р.В. Цифровые фильтры. 1980.djvu
Хуанг Т.С. Быстрые алгоритмы в цифровой обработке изображений 1984.djvu
щатилов В. Перспективы применения новых решений Analog Devaces в современных цифровых системах связи.pdf
Ярославский Л.П. Цифровая обработка сигналов в оптике и голографии.djvu

Если кому надо могу залить на общедоступный какойнибудь ftp сервер

На Narod можеш?

[Andrey Dik]

gumgum >>:

На Narod можеш?

Опиши только что и как сделать. Я залью, когда закончу, отпишусь.